人工智能技術與大數(shù)據(jù)

第　1章 大數(shù)據(jù)與人工智能系統(tǒng)　1
1．1　結果金字塔　2
1．2　人腦最擅長什么　2
1．2．1　感官輸入　2
1．2．2　存儲　3
1．2．3　處理能力　3
1．2．4　低能耗　3
1．3　電子大腦最擅長什么　3
1．3．1　速度信息存儲　3
1．3．2　蠻力處理　4
1．4　兩全其美　4
1．4．1　大數(shù)據(jù)　5
1．4．2　從遲鈍機器進化到智能
機器　6
1．4．3　智能　7
1．4．4　大數(shù)據(jù)框架　8
1．4．5　大數(shù)據(jù)智能應用　10
1．5　常見問答　10
1．6　小結　12
第　2章 大數(shù)據(jù)本體論　13
2．1　人腦與本體　14
2．2　信息科學本體論　15
2．2．1　本體的屬性　16
2．2．2　本體的優(yōu)點　17
2．2．3　本體的組成　18
2．2．4　本體在大數(shù)據(jù)中扮演的
角色　19
2．2．5　本體對齊　20
2．2．6　本體在大數(shù)據(jù)中的目標　20
2．2．7　本體在大數(shù)據(jù)中的
挑戰(zhàn)　21
2．2．8　資源描述框架——通用
數(shù)據(jù)格式　21
2．2．9　使用Web本體語言：
OWL　26
2．2．10　SPARQL查詢語言　28
2．2．11　用本體構建智能機器　31
2．2．12　本體學習　33
2．3　常見問答　36
2．4　小結　36
第3章　從大數(shù)據(jù)中學習　38
3．1　監(jiān)督學習和無監(jiān)督學習　38
3．2　Spark編程模型　42
3．3　Spark MLlib庫　44
3．3．1　轉換器函數(shù)　44
3．3．2　估計器算法　45
3．3．3　管道　45
3．4　回歸分析　46
3．4．1　線性回歸　47
3．4．2　廣義線性模型　50
3．4．3　對數(shù)幾率回歸分類技術　50
3．4．4　多項式回歸　52
3．4．5　逐步回歸　53
3．4．6　嶺回歸　53
3．4．7　套索回歸　54
3．5　數(shù)據(jù)聚類　54
3．6　K均值算法　55
3．7　數(shù)據(jù)降維　58
3．8　奇異值分解　59
3．8．1　矩陣理論和線性代數(shù)
概述　60
3．8．2　奇異值分解的重要
性質　62
3．8．3　Spark ML實現(xiàn)SVD　63
3．9　主成分分析　64
3．9．1　用SVD實現(xiàn)PCA算法　64
3．9．2　用Spark ML實現(xiàn)SVD　65
3．10　基于內容的推薦系統(tǒng)　66
3．11　常見問答　70
3．12　小結　71
第4章　大數(shù)據(jù)神經(jīng)網(wǎng)絡　72
4．1　神經(jīng)網(wǎng)絡和人工神經(jīng)網(wǎng)絡的
基礎　72
4．2　感知器和線性模型　73
4．2．1　神經(jīng)網(wǎng)絡的組成符號　74
4．2．2　簡單感知器模型的數(shù)學
表示　75
4．2．3　激活函數(shù)　77
4．3　非線性模型　80
4．4　前饋神經(jīng)網(wǎng)絡　81
4．5　梯度下降和反向傳播　82
4．5．1　梯度下降偽代碼　85
4．5．2　反向傳播模型　86
4．6　過擬合　88
4．7　循環(huán)神經(jīng)網(wǎng)絡　89
4．7．1　RNN的需求　89
4．7．2　RNN的結構　89
4．7．3　訓練RNN　90
4．8　常見問答　90
4．9　小結　92
第5章　深度大數(shù)據(jù)分析　93
5．1　深度學習基礎知識和構建
模塊　93
5．1．1　基于梯度的學習　95
5．1．2　反向傳播　97
5．1．3　非線性　98
5．1．4　剔除　99
5．2　構建數(shù)據(jù)準備管道　101
5．3　實現(xiàn)神經(jīng)網(wǎng)絡架構的實用
方法　107
5．4　超參數(shù)調優(yōu)　109
5．4．1　學習率　110
5．4．2　訓練迭代的次數(shù)　111
5．4．3　隱藏單元數(shù)　111
5．4．4　時期數(shù)　112
5．4．5　用deeplearning4j試驗
超參數(shù)　112
5．5　分布式計算　117
5．6　分布式深度學習　119
5．6．1　DL4J和Spark　119
5．6．2　TensorFlow　122
5．6．3　Keras　122
5．7　常見問答　123
5．8　小結　125
第6章　自然語言處理　126
6．1　自然語言處理基礎　127
6．2　文本預處理　128
6．2．1　刪除停用詞　129
6．2．2　詞干提取　130
6．2．3　詞形還原　132
6．2．4　N-Gram　132
6．3　特征提取　133
6．3．1　獨熱編碼　133
6．3．2　TF-IDF　134
6．3．3　CountVectorizer　136
6．3．4　Word2Vec　137
6．4　應用自然語言處理技術　140
6．5　實現(xiàn)情感分析　145
6．6　常見問答　147
6．7　小結　148
第7章　模糊系統(tǒng)　149
7．1　模糊邏輯基礎　149
7．1．1　模糊集和隸屬函數(shù)　150
7．1．2　明確集的屬性和
符號　151
7．1．3　模糊化　153
7．1．4　去模糊化　156
7．1．5　模糊推理　156
7．2　ANFIS網(wǎng)絡　157
7．2．1　自適應網(wǎng)絡　157
7．2．2　ANFIS架構和混合學習
算法　157
7．3　模糊C均值聚類　160
7．4　模糊神經(jīng)分類器　164
7．5　常見問答　165
7．6　小結　166
第8章　遺傳編程　167
8．1　遺傳算法的結構　169
8．2　KEEL框架　172
8．3　Encog機器學習框架　175
8．3．1　Encog開發(fā)環(huán)境設置　175
8．3．2　Encog API結構　176
8．4　Weka框架　179
8．5　用Weka以遺傳算法實現(xiàn)屬性
搜索　189
8．6　常見問答　192
8．7　小結　192
第9章　群體智能　193
9．1　什么是群體智能　194
9．1．1　自組織　194
9．1．2　主動共識　195
9．1．3　勞動分工　196
9．1．4　集體智能系統(tǒng)的
優(yōu)勢　196
9．1．5　開發(fā)SI系統(tǒng)的設計
原則　197
9．2　粒子群優(yōu)化模型　198
9．3　蟻群優(yōu)化模型　201
9．4　MASON庫　203
9．5　Opt4J庫　206
9．6　在大數(shù)據(jù)分析中的應用　208
9．7　處理動態(tài)數(shù)據(jù)　210
9．8　多目標優(yōu)化　210
9．9　常見問答　211
9．10　小結　212
第　10章 強化學習　213
10．1　強化學習算法的概念　213
10．2　強化學習技術　216
10．2．1　馬爾可夫決策過程　217
10．2．2　動態(tài)規(guī)劃與強化學習　218
10．2．3　Q-learning　221
10．2．4　SARSA學習　228
10．3　深度強化學習　230
10．4　常見問答　231
10．5　小結　231
第　11章 網(wǎng)絡安全　233
11．1　大數(shù)據(jù)用于維生管線保護　233
11．1．1　數(shù)據(jù)收集與分析　234
11．1．2　異常檢測　235
11．1．3　糾正和預防措施　236
11．1．4　概念上的數(shù)據(jù)流　236
11．2　理解流處理　239
11．2．1　流處理語義　240
11．2．2　Spark Streaming　241
11．2．3　Kafka　242
11．3　網(wǎng)絡安全攻擊類型　244
11．3．1　網(wǎng)絡釣魚　245
11．3．2　內網(wǎng)漫游　245
11．3．3　注入攻擊　245
11．3．4　基于AI的防御　246
11．4　了解SIEM　247
11．5　Splunk　250
11．5．1　Splunk Enterprise
Security　250
11．5．2　Splunk Light　251
11．6　ArcSight ESM　253
11．7　常見問答　253
11．8　小結　254
第　12章 認知計算　256
12．1　認知科學　256
12．2　認知系統(tǒng)　259
12．2．1　認知系統(tǒng)簡史　260
12．2．2　認知系統(tǒng)的目標　261
12．2．3　認知系統(tǒng)的因素　262
12．3　認知智能在大數(shù)據(jù)分析中的
應用　263
12．4　認知智能即服務　264
12．4．1　基于Watson的IBM
認知工具包　265
12．4．2　基于Watson的認知
應用　266
12．4．3　用Watson進行開發(fā)　269
12．5　常見問答　273
12．6　小結　274